辛苦数据驱动建模是对传统计算材料学模拟研究范式的重要补充和拓展。

该研究成果以RevealingHydrogenEvolutionPerformanceofSingle-AtomPlatinumElectrocatalystwithPolyoxometalateMolecularModels为题，采冰发表在ACSEnergyLett.的期刊上。此外，吨卖它在锌-空气电池中显示出巨大的潜力。

不出冰化氢燃料得益于其无污染性质和高质量能量密度。看冰这个工作可为高活性海水裂解电催化剂的设计提供普遍性的指导。该策略为选择、辛苦设计和调整MOFs作为前驱体构建高性能SACs提供了新的方法。

因此，采冰在2H-Pd种子上通过相选择外延生长fcc-2H-fcc异相Ir基纳米结构，获得了Pd66@Ir34纳米颗粒、Pd45@Ir55多支的纳米枝晶和Pd68@Ir22Co10三金属纳米颗粒。然而，吨卖由于合成方面的挑战，构建具有新颖组成和结构的催化活性异质结构的研究仍然很薄弱。

近日，不出冰化北京理工大学王博教授课题组报道了一种金属三唑盐（MET）骨架，不出冰化一种高N含量的金属-有机骨架（MOFs）的子类，被用作前驱体，因为它们可以提高单原子位置的密度和调节电子结构，同时生成丰富的介孔。

看冰fcc：面心立方）的核-壳纳米结构。为了解决这个问题，辛苦2019年2月，Maksov等人[9]建立了机器学习模型来自动分析图像。

最后，采冰将分类和回归模型组合成一个集成管道，应用其搜索了整个无机晶体结构数据库并预测出30多种新的潜在超导体。深度学习算法包括循环神经网络（RNN）、吨卖卷积神经网络（CNN）等[3]。

参考文献[1]K.T.Butler,D.W.Davies,H.Cartwright,O.Isayev,A.Walsh,Nature,559(2018)547.[2]D.-H.Kim,T.J.Kim,X.Wang,M.Kim,Y.-J.Quan,J.W.Oh,S.-H.Min,H.Kim,B.Bhandari,I.Yang,InternationalJournalofPrecisionEngineeringandManufacturing-GreenTechnology,5(2018)555-568.[3]周子扬,电子世界,(2017)72-73.[4]O.Isayev,C.Oses,C.Toher,E.Gossett,S.Curtarolo,A.Tropsha,Naturecommunications,8(2017)15679.[5]V.Stanev,C.Oses,A.G.Kusne,E.Rodriguez,J.Paglione,S.Curtarolo,I.Takeuchi,npjComputationalMaterials,4(2018)29.[6]A.Rovinelli,M.D.Sangid,H.Proudhon,W.Ludwig,npjComputationalMaterials,4(2018)35.[7]J.C.Agar,Y.Cao,B.Naul,S.Pandya,S.vanderWalt,A.I.Luo,J.T.Maher,N.Balke,S.Jesse,S.V.Kalinin,AdvancedMaterials,30(2018)1800701.[8]R.K.Vasudevan,N.Laanait,E.M.Ferragut,K.Wang,D.B.Geohegan,K.Xiao,M.Ziatdinov,S.Jesse,O.Dyck,S.V.Kalinin,npjComputationalMaterials,4(2018)30.[9]A.Maksov,O.Dyck,K.Wang,K.Xiao,D.B.Geohegan,B.G.Sumpter,R.K.Vasudevan,S.Jesse,S.V.Kalinin,M.Ziatdinov,npjComputationalMaterials,5(2019)12.[10]Y.Zhang,C.Ling,NpjComputationalMaterials,4(2018)25.[11]H.Trivedi,V.V.Shvartsman,M.S.Medeiros,R.C.Pullar,D.C.Lupascu,npjComputationalMaterials,4(2018)28.往期回顾：不出冰化认识这些带你轻松上王者——电催化产氧（OER）测试手段解析新能源材料领域常见的碳包覆法——应用及特点单晶培养秘诀——知己知彼，不出冰化对症下方，方能功成。看冰利用机器学习解决问题的过程为定义问题-数据收集-建立模型-评估-结果分析。